小编这次要给大家分享的是keras如何使用Lambda快速新建层和添加多个参数，文章内容丰富，感兴趣的小伙伴可以来了解一下，希望大家阅读完这篇文章之后能够有所收获。
keras许多简单操作，都需要新建一个层，使用Lambda可以很好完成需求。
# 额外参数
def normal_reshape(x, shape):
return K.reshape(x,shape)
output = Lambda(normal_reshape, arguments={'shape':(-1, image_seq, 1000)})(output)
output = Lambda(lambda inp: K.mean(inp, axis=1), output_shape=(1000,))(output)更多参考
补充知识：keras 实现包括batch size所在维度的reshape，使用backend新建一层 针对多输入使用不同batch size折衷解决办法
新建层，可以在此层内使用backend完成想要的功能，如包含batch size维度在内的reshpe：
def backend_reshape(x): return backend.reshape(x, (-1, 5, 256))
使用lambda方法调用层：
vision_model.add(Lambda(backend_reshape, output_shape=(5, 256)))
注意指定输出维度
在多输入问题中，有时两个输入具有不同的batch size，但在keras无法直接实现。我所遇到的问题是，我有两个输入分别是图像输入和问题输入，对于图像输入每个样本是一个图像序列。这就要求我们在把图像序列输入到CNN中时是一张一张图像。
我的解决办法是在输入是把图像序列作为一个样本，等输入进去后，通过上述的reshape方法将图像序列重新拆分成一张张图像输入到CNN，然后在后期处理时重新reshape成一个序列样本。
代码：
image_seq = 4 def preprocess_reshape(x): return K.reshape(x, (-1, 224, 224,3)) def backend_reshape(x): return K.reshape(x, (-1, image_seq, 256))
image_input = Input(shape=(image_seq, 224, 224, 3) , name='input_img') image_re = Lambda(preprocess_reshape, output_shape=(224,224,3))(image_input) im_pre = Lambda(preprocess_input, name='preprocessing')(image_re)
vision_model.add(Lambda(backend_reshape, output_shape=(image_seq, 256))) vision_model.add(LSTM(256, kernel_regularizer=l2, recurrent_regularizer=l2))
看完这篇关于keras如何使用Lambda快速新建层和添加多个参数的文章，如果觉得文章内容写得不错的话，可以把它分享出去给更多人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
